CCESC: un algoritmo de escape mejorado para la optimización de la producción global y de los depósitos

Área de la Ciencia:

• Inteligencia computacional
• Algoritmos de optimización
• La computación inspirada en la naturaleza

Sus antecedentes:

• La optimización global es crucial en la ciencia y la ingeniería.
• Los algoritmos existentes como Escape (ESC) tienen limitaciones en la comunicación y la diversificación de la búsqueda.
• Los algoritmos inspirados en la naturaleza ofrecen soluciones robustas para paisajes de búsqueda complejos.

Objetivo del estudio:

• Introducir el algoritmo de escape Crisscross (CCESC) para mejorar la optimización global.
• Mejorar la comunicación entre agentes y la diversificación de la trayectoria de búsqueda en la optimización.
• Validar el desempeño del CCESC en problemas de ingeniería de referencia y del mundo real.

Principales métodos:

• Desarrolló el algoritmo de escape Crisscross (CCESC) que incorpora un mecanismo de intercambio de información Crisscross (CC).
• Validación por el CCESC de las suites de referencia CEC2017 y problemas de diseño de ingeniería estándar.
• Comparó el CCESC con algoritmos metaheurísticos prominentes y lo aplicó a la optimización de la producción de depósitos.

Principales resultados:

• El CCESC demostró un rendimiento superior o altamente competitivo en diversas funciones de referencia.
• El mecanismo Criscross (CC) fomentó una exploración espacial más rica en soluciones y una convergencia más rápida.
• El CCESC logró una mejora significativa del valor actual neto (VAN) en la optimización de la producción de los depósitos.

Conclusiones:

• CCESC es un algoritmo robusto y eficaz de inspiración biológica para la optimización global.
• El mecanismo de intercambio de información de CC mejora la exploración y elude los óptimas locales.
• CCESC muestra una promesa significativa para los desafíos complejos de optimización del mundo real, especialmente en la ingeniería de embalses.